L’artisanat des données à l’ère de la datafication
Bibliographic record
Abstract
Cet article introduit et développe le concept d’artisanat des données pour qualifier un ensemble de pratiques, souvent invisibilisées, qui participent à la production des données à l’ère de la datafication. En contraste avec les discours dominants centrés sur la quantité et l’automatisation, l’artisanat des données met en lumière des formes de travail minutieux, situé et collectif, qui confèrent leur qualité et leur pertinence aux données. À partir de deux enquêtes ethnographiques, l’article montre que, dans certains contextes de production, le travail des données repose sur des savoir-faire, une éthique du soin (care) et des dynamiques communautaires comparables à celles que l’on trouve dans l’artisanat. Cette proposition théorique permet d’analyser le rôle des artisan·e·s des données et d’explorer les tensions entre massification des données, exigence de qualité et transformations liées à la datafication et à l’essor de l’intelligence artificielle (IA). L’artisanat des données apparaît ainsi comme une pratique à la fois technique, éthique et politique, qui vise à réaffirmer la dimension fondamentalement humaine du travail des données.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.065 | 0.128 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.010 | 0.009 |
| Science and technology studies | 0.007 | 0.022 |
| Scholarly communication | 0.025 | 0.029 |
| Open science | 0.005 | 0.018 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".